Anomaly Detection

異常検知は、人工知能 (AI)および機械学習 (ML)の分野における重要な技術であり、データセットの正常な挙動から大きく逸脱するデータポイント、イベント、観測値を特定することに重点を置いています。外れ値検出とも呼ばれるこのプロセスでは、データの大部分が特定のパターンまたは分布に従い、その確立された基準から外れるものは異常と見なされることを前提としています。こうした不規則性は、製造における構造欠陥、テキストデータのエラー、ネットワークトラフィックにおける潜在的なセキュリティ侵害など、重大なインシデントを示している可能性があります。ディープラーニング (DL)で使用されるものを含む高度なアルゴリズムによって、こうしたまれなイベントを高い精度で自動認識します。

異常検知と物体検出の違い#

どちらの手法も現代のコンピュータビジョン (CV)に不可欠ですが、異常検知と標準的な物体検出を区別することが重要です。

• 物体検出は通常、クローズドセット問題であり、バウンディングボックスを使用して、モデルが特定の既知のクラス（例：「車」、「人物」、「信号機」）を識別および位置特定します。システムは、検出対象そのものに関するラベル付きサンプルを用いて学習されます。
• 異常検知は、オープンセット問題として扱われることがよくあります。システムは「正常」の表現を学習し、未知の逸脱を検出します。たとえば、外観検査システムを、完全な製品の画像数千枚で学習したとします。その後、特定の欠陥タイプに遭遇したことが一度もなかったとしても、傷、へこみ、変色をあらゆる異常として特定する必要があります。

ただし、最先端のUltralytics YOLO26のような堅牢な物体検出器は、教師あり異常検知に効果的に適応できます。既知の欠陥をトレーニングデータ内の個別のクラスとして扱うことで、エンジニアは特定の種類の不規則性を正確に特定できるようモデルを学習させられます。

実世界での利用例#

不規則性を自動的に検出できるため、手動での監視が現実的でないさまざまな重要産業において、異常検知は不可欠です。

• 製造業におけるAI：自動光学検査 (AOI) システムは生産ラインを監視し、構造欠陥をリアルタイムで特定します。予知保全を導入することで、工場は機械の異常な振動や熱シグネチャを検出し、コストのかかるダウンタイムを防止できます。
• 医用画像解析：医療分野では、アルゴリズムがMRIやCTスキャンを解析し、潜在的な病変を強調表示します。健常組織のパターンから逸脱する腫瘍や骨折を検出することで、放射線科医はより迅速に診断でき、これは医療におけるAIの重要な要素です。
• 金融不正検知：銀行は統計的な異常検知を利用して、取引ストリームを監視します。ユーザーの支出行動が突然変化した場合、たとえば外国で高額な購入が行われた場合、システムは金融不正検知の手法で説明されているように、その取引を潜在的なセキュリティ侵害としてフラグ付けします。
• ネットワーク侵入検知：サイバーセキュリティツールは、ネットワークトラフィックの急増や異常なパケットシグネチャを監視します。通常のトラフィックのベースラインを確立することで、システムはサイバー攻撃やデータ窃取の試みを早期に特定できます。

Ultralytics YOLO26による欠陥検出の実装#

異常検知への実践的なアプローチとして、特定の欠陥クラスを認識するようビジョンモデルを学習させます。YOLO26などの最新モデルはこのタスクに最適化されており、YOLO11などの従来のバージョンと比較して、優れた速度と精度を提供します。次の例では、事前学習済みモデルを読み込み、物体としてラベル付けされた異常を特定するために推論を実行する方法を示します。

from ultralytics import YOLO

# Load a YOLO26 model trained to detect specific defects (e.g., 'crack', 'dent')
# YOLO26 provides native end-to-end support for faster inference
model = YOLO("yolo26n.pt")

# Perform inference on a product image
# The 'conf' threshold filters out low-confidence predictions (noise)
results = model.predict("path/to/product_image.jpg", conf=0.5)

# Visualize the identified defects
for result in results:
    result.show()  # Displays image with bounding boxes around anomalies

ツールとエコシステム#

効果的な異常検知システムを開発するには、データの前処理とモデルのライフサイクル管理に対応できる堅牢なソフトウェアエコシステムが必要です。

• ディープラーニングフレームワーク：PyTorchやTensorFlowなどのライブラリは、ビジョンベースの検出に使用される複雑なニューラルネットワークを学習するための計算バックエンドを提供します。
• データ準備：データクリーニング用のツールは、モデルが「正常」のクリーンなベースラインを学習できるよう、初期トレーニングセットから外れ値を除去するために不可欠です。
• 統計ライブラリ：非視覚データの場合、Scikit-learnライブラリは、Isolation ForestやOne-Class サポートベクターマシン (SVM)などの標準アルゴリズムを提供します。
• 統合ワークフロー：Ultralytics Platformは、これらのモデルのライフサイクルを効率化し、データセットへのアノテーション付与、クラウドベースのトレーニング、YOLO26などの効率的なモデルのエッジデバイスへのデプロイによるリアルタイム推論のためのツールを提供します。